這個周末,最不開心的應該是優(yōu)秀的數據庫治理員了.

這些優(yōu)秀的數據庫管理員(以下簡稱數據庫管理員為DBA),原本可以靠自己的本領,享受高薪,可是,好景不長了,因為即便是資質平平的DBA,以后借助AI的力量,也能瞬間達到優(yōu)秀DBA的水平.

來看最近來自卡耐基梅隆數據庫小組的最新研究結果,他們正用最新的深度學習技術,完成數據庫的調優(yōu)工作.

如果這項技術在未來進一步遍及,那么,很無奈,這個行業(yè)不得不接受AI對于人員結構的改造.

DBA迎來新的反動

卡內基·梅隆大學數據庫小組采納機器學習實現了數據庫的自動化管理,其在線版的自動化管理服務 OtterTune 稍后即會上線.

OtterTune 所要辦理的是數據庫管理中最為繁雜的問題：諸如緩存大小分配、寫入頻率管理等因素在內的數百項參數的動態(tài)設置.過去,這項工作只能由經驗豐富的數據庫專家手動來完成.

這其中采納了怎樣的原理呢?

OtterTune 到底用了什么原理?

采用機器學習后,OtterTune 把數據庫管理系統(tǒng)(DBMS)的工作流程釀成這樣：

一開始,OtterTune 必要被告知明確的優(yōu)化目標,如延遲、吞吐量等；其客戶端 Controller 會自動關聯目標 DBMS 及其亞馬遜 EC2 副本的類型與當前設置.

而后,Controller 便開啟第一個察看周期,察看 DBMS 并記錄目標項.察看結束時,Controller 會搜集好 DBMS 的內部參數,并將它和目標項發(fā)送給 Tuning Manager.

收到參數后,Tuning Manager 便把它們存儲入庫.OtterTune 用這些參數計算出 DBMS 的目標配置,并將其發(fā)還至 Controller,Controller 部署并運行新的配置,以提升數據庫性能.

治理人員可隨時啟用或終止 OtterTune 服務.

簡而言之：

首先,必要設置一些優(yōu)化目標,連接到數據庫系統(tǒng),使用初始化的設置去運行；

然后控制器開啟第一次察看周期,記錄下當前設置模式下的所有系統(tǒng)性能度量,并返回這些結果給調優(yōu)器；

調優(yōu)器記錄這些成果,并根據這些度量信息和系統(tǒng)信息計算出新的數據庫配置；

最后調優(yōu)器把調優(yōu)成果配置傳回控制器,同時可以有效評估系統(tǒng)提升的期望值；

用戶依據評估值決定是否使用新的配置.

其中最核心的步驟便是：計算出新的數據庫管理系統(tǒng)DBMS 的目標配置,即這里面用到的主要是機器學習.

下面詳細解釋一下機械學習在里面的作用.

機械學習的作用

機器學習模塊分為三部分：獲取 Controller 觀察到的工作負載參數(Workload Characterization 組件),辨認并學習這些參數(Knob Identification 組件),自動管理數據庫(Automatic Tuner 組件).

下面逐一來說：

• Workload Characterization: OtterTune 使用 DBMS 的內部運行參數來提取數據庫的工作負載特征.機器學習模塊使用聚類辦法來衡量這些參數的相關性,盡可能地裁剪參數量,以降低計算的復雜程度.

• Knob Identification: 識別并學習數據庫參數,OtterTune 所用的特征選取辦法是 Lasso,以找出它們的重要程度.OtterTune 據此來計算 DBMS 的目標配置,它使用一種增量辦法來找出數據庫的最佳配置.

• Automatic Tuner: 而后的工作則交由 Automatic Tuner 組件.首先,它用 Workload Characterization 組件的性能數據來確定 DBMS 的目標負載；而后,它會選擇一組分歧的配置進行測試.

OtterTune 的目標總是優(yōu)化下一組配置,盡可能地搜集數據來晉升性能,而非緊盯住目標配置不放.

成果對比

OtterTune 在論文中測試了 MySQL 和 Postgres 這兩個數據庫的延遲和吞吐量,成果如下：

從圖中可以看出,相比于 MYSQL 治理腳本,OtterTune 的延遲要低 60%,吞吐量則能提升 35%.

相比于 Postgres 的默認配置,OtterTune 與其他辦法在延遲方面的提升大體相近；但吞吐量方面,OtterTune 比 DBA 的選擇要好 12%.

總體來看,OtterTune可以在延遲和吞吐等性能指標上大幅領先傳統(tǒng)的自動化配置腳本,并接近專業(yè)DBA的程度.

AI若何擊中了這個行業(yè)的痛點?

為什么這個行業(yè)必要AI來改造?DBA的日常工作到底有哪些痛點?

讓我們把眼光拉近,看看這個行業(yè)到底有什么問題.

目前的數據庫,主要采納專業(yè)的數據庫管理員(以下稱DBA)來設計數據系統(tǒng)的架構,調優(yōu)等.

但是,由于業(yè)務系統(tǒng)極其復雜,且隨著業(yè)務的快速迭代,必要數據庫系統(tǒng)能跟上業(yè)務的節(jié)奏,快速響應,快速更新,這就導致調優(yōu)任務也隨之變得極其復雜.

DBA需要靈活掌握各項影響系統(tǒng)性能的控制因素,也必需對數據底層,甚至體系結構都有深入了解,才能很好地完成調優(yōu)任務.

因此,真正滿足優(yōu)秀的DBA就非常少了,并且價格昂貴.

隨著大數據行業(yè)的井噴式發(fā)展,這種人才一直都是嚴重供不該求.

不外,這部分原本可以享受高薪的人群,好日子貌似要走到頭了.

因為,通俗DBA也能借助AI搶飯碗了.

卡耐基梅隆的數據庫小組整出來的這個新研究,就是要通過使用AI技術,簡化了DBA對于數據庫系統(tǒng)的調優(yōu)過程,即就是普通的DBA,也能達到、甚至超過專業(yè)DBA調優(yōu)系統(tǒng)的能力.

所以,一旦AI在此領域真正開始發(fā)揮作用,人力本錢將大幅降低,工作又能快速響應,公司再也不會因為專業(yè)DBA短缺而影響業(yè)務發(fā)展了,這將是公司老板拍手稱快的大好事.

原文地址

https://aws.amazon.com/cn/blogs/ai/tuning-your-dbms-automatically-with-machine-learning/必修tag=vglnk-c1507-20